本发明涉及全断面隧道掘进机施工分析
技术领域：
，特别是涉及一种基于bp神经网络的硬岩tbm掘进速率预测方法。
背景技术：
：全断面隧道掘进机(fullfacetunnelboringmachine，以下简称tbm)较传统的钻爆法而言，具有施工速度快、掘进效率高、隧洞成型好、对周边环境影响小以及作业安全等优点。然而，tbm掘进过程中对地质条件变化更为敏感，当遭遇地质环境较差时，可能导致掘进效率低下，甚至造成严重的工期延误。由于tbm施工前期投入较大，开发适用的tbm掘进速率预测模型，以准确预测tbm掘进速率对于施工进度安排和工程成本预算至关重要。目前较为传统的tbm掘进速率预测方法，主要包括基于理论模型的方法和基于经验模型的方法两大类。基于理论模型的方法，如科罗拉多矿业学院提出的基于csm模型的方法，在一定程度上解释了tbm滚刀贯入荷载、贯入速率等与岩体力学参数之间的相关关系，然而其主要基于室内贯入试验、线性切割试验以及理论推导进行模型构建，很难真实而全面地考虑tbm滚刀所遇到的原位地质条件，导致预测精度难以达到要求。基于经验模型的方法主要通过现场岩体参数和掘进速率的数据搜集，并利用不同的数据分析方法构建相关关系。但上述这两种方法，其预测精度都难以达到工程要求，无法较好地运用于工程地质条件差异性大的各类项目。技术实现要素：为此，本发明的目的在于提出一种基于bp神经网络的硬岩tbm掘进速率预测方法，以提升预测精度。一种基于bp神经网络的硬岩tbm掘进速率预测方法，包括：s1，建立tbm掘进速率主要影响因素分析模型，包括tbm掘进速率pr与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定，其中，岩体参数包括平均节理间距dpw、峰值斜率指数psi、巴西抗拉强度bts、单轴抗压强度ucs、节理面与隧道轴向方向的夹角α；s2，建立tbm掘进速率预测模型，包括：s2.1，建立数据的处理模型；s2.2，建立bp神经网络设计和训练模型；s3，建立tbm掘进速率预测结果对比和分析模型，以实现掘进速率预测。根据本发明提供的基于bp神经网络的硬岩tbm掘进速率预测方法，通过建立四个主要影响因素和tbm掘进速率之间的非线性映射关系，并采用基于bp神经网络的参数学习与训练反馈的研究方法来处理上述非线性问题，提出依据bp神经网络的参数学习与训练反馈，建立硬岩tbm施工条件下的掘进速率的预测方法，测试结果表明，全部数据的平均绝对误差为0.17m/h，平均绝对误差百分比为8.61％，预测值和实测值相关系数r为0.81，说明预测效果较好，全部数据的实测pr平均值为2.05m/h，预测pr平均值2.05m/h，说明整体预测值和实测值一致，对于预估整个工程工期和进度不会有较大偏差，这对于工程实际具有重大意义。所有数据的绝对误差最大值0.6m/h，绝对误差百分比最大值25.6％，小于30％的误差，在工程预测可接受的范围之内。说明该方法能够准确预测硬岩条件下的tbm掘进速率，从而对tbm的施工过程提供一定的指导。另外，根据本发明上述的基于bp神经网络的硬岩tbm掘进速率预测方法，还可以具有如下附加的技术特征：进一步地，步骤s1中，整体上tbm掘进速率pr与平均节理间距dpw呈现负相关的关系；整体上tbm掘进速率pr与峰值斜率指数psi呈现明显的正相关的关系；整体上tbm掘进速率pr与巴西抗拉强度bts呈现出正相关的关系，随bts的增大，pr也相应的增大，但是相关度很低，pr的分布较为离散，说明巴西抗拉强度对tbm掘进速率的影响有限；整体上tbm掘进速率pr与单轴抗压强度ucs呈现正相关的关系，随着ucs的增大，tbm掘进速率也相应的增大；整体上tbm掘进速率pr与节理面与隧道轴向方向的夹角α之间呈现二次曲线的关系。进一步地，步骤s1中，psi、dpw、α与pr具有较大的相关性，ucs次之，bts相关性最小，所以将bts作为常量考虑，将平均节理间距、峰值斜率指数、单轴抗压强度、节理面与隧道轴向方向的夹角作为tbm掘进速率预测的4个条件属性因子。进一步地，步骤s2.1具体包括：s2.1.1，建立训练样本的选取模型；利用rand函数先产生一组1行60列服从0～1均匀分布的随机矩阵如下：k＝k1,k1,k2,…ki,…k59,k60每一个随机数从左到右对应编号i为1～60，然后在对应编号不变的情况下把随机数按照从小到大的顺序排列，与此同时编号也有了一个新的排列n满足：其中i1,i1,i2,…,ii,…,i59,i60为与排列n对应的新排列，即插值目标排列；取新排列的前五十组即i1～i50为训练数据，后十组i51～i60为测试数据；s2.1.2，建立训练样本的前处理模型；对50份训练样本进行二维插值，将样本数量增加到200份；s2.1.3，建立预测结果的后处理模型；假设yi(i＝1,2…,10)表示10组测试数据的预测结果，ti(i＝1,2…,10)表示10组测试数据的实测结果，ei＝yi-ti(i＝1,2…,10)表示10组测试数据对应的误差，表示预测数据的均方误差。进一步地，步骤s2.1.2中，采用matlab通过meshgrid命令产生对应的数据系列，然后运用二维插值函数interp2，选定的插值方法为cubic，即分段三次多项式插值方法。进一步地，步骤s2.1.3中，采用训练多次取预测结果的平均值作为预测代表值的方法。进一步地，步骤s2.2具体包括：建立的网络模型采用三层bp神经网络，输入层有4个节点，输出层有1个节点，隐含层节点数采用经验公式给出估计值：其中m和n分别为输入层和输出层的神经元个数，a是[1,10]之间的常数，取m为10。进一步地，步骤s2.2中，对样本采用mapminmax归一化处理，网络训练参数，学习率η取为0.1，期望误差goal取为0.02，最大训练次数epoch取为100次。进一步地，步骤s3具体包括：s3.1，建立预测结果处理前和处理后对比分析模型；在bp神经网络训练成熟以后进行仿真10次，pr0表示实测值，pri(i＝1,2,…10)表示10次预测的结果，表示对应的误差百比，mean表示10次预测的平均值，w(mean)表示平均误差百分比；用10组的平均绝对百分比误差mape(其中j表示组数)和方差var这两个指标来评价模型的性能；s3.2，全部数据通测结果分析。按照前述的方法将所有数据通测一遍，得出全部数据的平均绝对误差、平均绝对误差百分比，若预测值和实测值相关系数r数值在80％以上，说明预测效果较好。得出全部数据的实测pr平均值、预测pr平均值，若整体预测值和实测值趋于一致，说明对于预估整个工程工期和进度不会有较大偏差，这对于工程实际具有重大意义。得出所有数据的绝对误差最大值、绝对误差百分比最大值，若误差小于30％，则在工程预测可接受的范围之内。附图说明本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是tbm掘进速率pr与平均节理间距dpw的关系图；图2是tbm掘进速率pr与峰值斜率指数psi的关系图；图3是tbm掘进速率pr与巴西抗拉强度bts的关系图；图4是tbm掘进速率pr与单轴抗压强度ucs的关系图；图5是tbm掘进速率pr与节理面与隧道轴向方向的夹角α的关系图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明一实施例提出的基于信息年龄的物联网组网方法，包括步骤s1～s3。s1，建立tbm掘进速率主要影响因素分析模型。前期准备：收集某引水隧道tbm施工中的具体数据和确定影响tbm掘进速率(pr)的主要影响因素，本发明在掘进机型号相同的情况下通过相关性分析基本确定了影响tbm掘进速率的岩体参数有：ucs(单轴抗压强度)、bts(巴西抗拉强度)、psi(峰值斜率指数)、dpw(结构面的平均间距)、隧道轴线与软弱结构面之间的夹角α。这里的psi为峰值斜率指数，施加压力将标准硬度计压头作用于岩石的表面上，作用于岩石上面的荷载与压头压入位移的比值即为峰值斜率指数；具体步骤为：s1.1，tbm掘进速率与岩体参数相关性分析。如图1所示，整体上tbm掘进速率pr与平均节理间距dpw呈现负相关的关系。如图2所示，整体上tbm掘进速率pr与峰值斜率指数psi整体上呈现明显的正相关的关系。如图3所示，整体上tbm掘进速率pr与巴西抗拉强度bts呈现出正相关的关系，随bts的增大，pr也相应的增大，但是相关度很低，pr的分布较为离散，说明巴西抗拉强度对tbm掘进速率的影响有限。如图4所示，整体上tbm掘进速率pr与单轴抗压强度ucs呈现正相关的关系，随着ucs的增大，tbm掘进速率也相应的增大。如图5所示，图中的α定义为节理面与隧道轴向方向的夹角，整体上tbm掘进速率pr与夹角α之间呈现二次曲线的关系。s1.2，岩体参数之间的相关性分析与掘进速率关键影响因素的确定。为了排除各地质因素之间可能存在的共线问题对多元回归分析结果的影响，首先对各地质因素间的相关性进行研究，排除各因素间的共线。本发明对条件属性因子dpw、α、ucs、bts和psi之间进行相关性分析，具体情况如下表1所示。表1因素相关系数回归方程prvsucs0.26pr＝1.413 0.0042*ucsprvsbts0.1pr＝1.66 0.040*btsprvspsi0.58pr＝1.19 0.0247*psiprvsdpw0.45pr＝2.31-0.260*dpwprvsα0.47pr＝1.5-0.0003*α 0.0273*αucsvsbts0.28bts＝7.897 0.011*ucsucsvspsi0.62psi＝-1.0713 0.2382*ucsbtsvspsi0.12psi＝23.698 1.1464*bts从表1的相关性分析中可以看到，psi、dpw、α与pr具有较大的相关性，ucs次之，bts相关性最小，所以将bts作为常量考虑。因此，tbm掘进速率预测的4个条件属性因子确定为ucs、psi、dpw、α。s2，建立tbm掘进速率预测模型。s2.1，建立数据的处理模型。具体步骤为：s2.1.1，建立训练样本的选取模型。神经网络具有内插值特性，不具有外延性，否则产生较大误差。基于神经网络的上述性质，考虑到原始数据的某些条件属性因子大小排列顺序性十分明显，本发明利用rand函数先产生一组1行60列服从0～1均匀分布的随机矩阵如下：k＝k1,k1,k2,…ki,…k59,k60每一个随机数从左到右对应编号i为1～60，然后在对应编号不变的情况下把随机数按照从小到大的顺序排列，与此同时编号也有了一个新的排列n满足：其中i1,i1,i2,…,ii,…,i59,i60为与排列n对应的新排列，即插值目标排列。本发明取新排列的前五十组即i1～i50为训练数据，后十组i51～i60为测试数据，这样便可以充分发挥神经网络预测的内插值特性，提高预测精度的目的。s2.1.2，建立训练样本的前处理模型。为充分利用训练样本，对50份训练样本进行二维插值，将样本数量增加到200份。本发明采用matlab通过meshgrid命令产生对应的数据系列，然后运用二维插值函数interp2，选定的插值方法为cubic，即分段三次多项式插值方法(对一个变量一次对另一个变量两次插值，n＝2，m＝1)。s1.3.3，建立预测结果的后处理模型。假设yi(i＝1,2…,10)表示10组测试数据的预测结果，ti(i＝1,2…,10)表示10组测试数据的实测结果，ei＝yi-ti(i＝1,2…,10)表示10组测试数据对应的误差，表示预测数据的均方误差。本发明还采用训练多次取预测结果的平均值作为预测代表值的方法。s2.2，建立bp神经网络设计和训练模型。本发明建立的网络模型采用三层bp神经网络，输入层有4个节点，输出层有1个节点，隐含层节点数采用经验公式给出估计值：其中m和n分别为输入层和输出层的神经元个数，a是[1,10]之间的常数，这里取m为10。本发明对样本采用mapminmax归一化处理。网络训练参数，学习率η取为0.1，期望误差goal取为0.02，最大训练次数epoch取为100次。s3，建立tbm掘进速率速率预测结果对比和分析模型，以实现掘进速率预测。具体步骤为：s3.1，建立预测结果处理前和处理后对比分析模型。在bp神经网络训练成熟以后进行仿真10次，pr0表示实测值，pri(i＝1,2,…10)表示10次预测的结果，表示对应的误差百比，mean表示10次预测的平均值，w(mean)表示平均误差百分比。本发明用10组的平均绝对百分比误差mape(其中j表示组数)和方差var这两个指标来评价模型的性能。处理前预测结果与实测结果的误差mape＝9.9％，如下表2所示。10次平均值处理以后的结果与实测结果的误差mape＝7.1％，如下表3所示。表2里程ucspsidwpαpr实测pr1w1280199.3551.6212.122.23.70％1768182.4360.4552.452-18.20％1213191530.1232.662.846.60％2521160.7461.6312.051.93-5.80％2643137.2421.6702.21.58-28.30％3271130.1310.8261.852.0812.40％1183191540.4342.952.79-5.50％3107128.6321.6101.751.59-9.10％2792137.4390.8462.472.38-3.60％1538188.4450.2242.482.635.80％表3里程pr实测pr1pr2…pr9pr10meanw(mean)2802.121.782.201.762.001.92-9.2％17682.452.042.002.092.112.05-16.4％12132.662.802.842.963.122.929.7％25212.051.991.932.012.132.071.0％26432.22.171.582.582.222.08-5.7％32711.852.102.082.112.182.0812.4％11832.952.792.792.823.062.88-2.5％31071.751.661.591.621.721.63-7.0％27922.472.422.382.282.382.34-5.2％15382.482.362.632.592.762.542.5％取第一组作为处理前的典型代表，对比表2和表3的预测结果可以看到，平均值处理以后的总体误差明显减小，采用平均值作为10次预测的代表值，可以大大加强预测结果的稳定性。s3.2，全部数据通测结果分析。按照前述的方法将所有数据通测一遍，结果如表4所示，全部数据的平均绝对误差为0.17m/h，平均绝对误差百分比为8.61％，预测值和实测值相关系数r为0.81，说明预测效果较好。全部数据的实测pr平均值为2.05m/h，预测pr平均值2.05m/h,说明整体预测值和实测值一致，对于预估整个工程工期和进度不会有较大偏差，这对于工程实际具有重大意义。所有数据的绝对误差最大值0.6m/h，绝对误差百分比最大值25.6％，小于30％的误差，在工程预测可接受的范围之内。表4组号实测值预测值绝对误差绝对误差百分比11.271.510.2418.9％21.271.470.2015.7％31.281.610.3325.4％41.381.630.2517.8/％51.401.480.086.0％……………1502.952.670.289.5％1513.042.890.155.1％1523.042.580.4615.0％1533.072.840.237.6％平均值2.052.050.178.61％最大值0.625.6％综上，根据本实施例的基于bp神经网络的硬岩tbm掘进速率预测方法，通过建立四个主要影响因素和tbm掘进速率之间的非线性映射关系，并采用基于bp神经网络的参数学习与训练反馈的研究方法来处理上述非线性问题，提出依据bp神经网络的参数学习与训练反馈，建立硬岩tbm施工条件下的掘进速率的预测方法，测试结果表明，全部数据的平均绝对误差为0.17m/h，平均绝对误差百分比为8.61％，预测值和实测值相关系数r为0.81，说明预测效果较好，全部数据的实测pr平均值为2.05m/h，预测pr平均值2.05m/h，说明整体预测值和实测值一致，对于预估整个工程工期和进度不会有较大偏差，这对于工程实际具有重大意义。所有数据的绝对误差最大值0.6m/h，绝对误差百分比最大值25.6％，小于30％的误差，在工程预测可接受的范围之内。说明该方法能够准确预测硬岩条件下的tbm掘进速率，从而对tbm的施工过程提供一定的指导。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。当前第1页1 2 3
技术特征：1.一种基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，包括以下步骤：
s1，建立tbm掘进速率主要影响因素分析模型，包括tbm掘进速率与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定，其中，岩体参数包括平均节理间距、峰值斜率指数、巴西抗拉强度、单轴抗压强度、节理面与隧道轴向方向的夹角；
s2，建立tbm掘进速率预测模型，包括：s2.1，建立数据的处理模型；s2.2，建立bp神经网络设计和训练模型；
s3，建立tbm掘进速率预测结果对比和分析模型，以实现掘进速率预测。
2.根据权利要求1所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s1中，整体上tbm掘进速率与平均节理间距呈现负相关的关系；整体上tbm掘进速率与峰值斜率指数呈现正相关的关系；整体上tbm掘进速率与巴西抗拉强度呈现出正相关的关系；整体上tbm掘进速率与单轴抗压强度呈现正相关的关系；整体上tbm掘进速率与节理面与隧道轴向方向的夹角之间呈现二次曲线的关系。
3.根据权利要求2所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s1中，将巴西抗拉强度作为常量，将平均节理间距、峰值斜率指数、单轴抗压强度、节理面与隧道轴向方向的夹角作为tbm掘进速率预测的4个条件属性因子。
4.根据权利要求1所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s2.1具体包括：
s2.1.1，建立训练样本的选取模型；
利用rand函数先产生一组1行60列服从0～1均匀分布的随机矩阵如下：
k＝k1,k1,k2,…ki,…k59,k60
每一个随机数从左到右对应编号i为1～60，然后在对应编号不变的情况下把随机数按照从小到大的顺序排列，与此同时编号也有了一个新的排列n满足：
其中i1,i1,i2,…,ii,…,i59,i60为与排列n对应的新排列，即插值目标排列；
取新排列的前五十组即i1～i50为训练数据，后十组i51～i60为测试数据；
s2.1.2，建立训练样本的前处理模型；
对50份训练样本进行二维插值，将样本数量增加到200份；
s2.1.3，建立预测结果的后处理模型；
假设yi(i＝1,2…,10)表示10组测试数据的预测结果，ti(i＝1,2…,10)表示10组测试数据的实测结果，ei＝yi-ti(i＝1,2…,10)表示10组测试数据对应的误差，表示预测数据的均方误差。
5.根据权利要求4所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s2.1.2中，采用matlab通过meshgrid命令产生对应的数据系列，然后运用二维插值函数interp2，选定的插值方法为cubic，即分段三次多项式插值方法。
6.根据权利要求4所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s2.1.3中，采用训练多次取预测结果的平均值作为预测代表值的方法。
7.根据权利要求4所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s2.2具体包括：
建立的网络模型采用三层bp神经网络，输入层有4个节点，输出层有1个节点，隐含层节点数采用经验公式给出估计值：
其中m和n分别为输入层和输出层的神经元个数，a是[1,10]之间的常数，取m为10。
8.根据权利要求7所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s2.2中，对样本采用mapminmax归一化处理，网络训练参数，学习率η取为0.1，期望误差goal取为0.02，最大训练次数epoch取为100次。
9.根据权利要求7所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s3具体包括：
s3.1，建立预测结果处理前和处理后对比分析模型；
在bp神经网络训练成熟以后进行仿真10次，pr0表示实测值，pri(i＝1,2,…10)表示10次预测的结果，表示对应的误差百比，mean表示10次预测的平均值，w(mean)表示平均误差百分比；
s3.2，全部数据通测结果分析。
10.根据权利要求9所述的基于bp神经网络的硬岩tbm掘进速率预测方法，其特征在于，步骤s3.1中，用10组的平均绝对百分比误差mape和方差var这两个指标来评价模型的性能；
技术总结本发明提供了一种基于BP神经网络的硬岩TBM掘进速率预测方法，包括：S1，建立TBM掘进速率主要影响因素分析模型，包括TBM掘进速率PR与岩体参数相关性分析，以及岩体参数之间的相关性分析与掘进速率关键影响因素的确定；S2，建立TBM掘进速率预测模型，包括：S2.1，建立数据的处理模型；S2.2，建立BP神经网络设计和训练模型；S3，建立TBM掘进速率预测结果对比和分析模型，以实现掘进速率预测。本发明提出了依据BP神经网络的参数学习与训练反馈，建立了硬岩TBM施工条件下的掘进速率的预测方法，能够准确预测硬岩条件下的TBM掘进速率，从而对TBM的施工过程提供一定的指导。
技术研发人员：蒋亚龙;徐长节;熊扶阳;潘少林;徐贞珍
受保护的技术使用者：华东交通大学
技术研发日：2020.01.16
技术公布日：2020.06.05
